标签
PostgreSQL , cpu 并行 , smp 并行 , 并行计算 , gpu 并行 , 并行过程支持
https://github.com/digoal/blog/blob/master/201903/20190317_07.md#%E8%83%8C%E6%99%AF 背景
PostgreSQL 11 优化器已经支持了非常多场合的并行。简单估计，已支持27余种场景的并行计算。
parallel seq scan
parallel index scan
parallel index only scan
parallel bitmap scan
parallel filter
parallel hash agg
parallel group agg
parallel cte
parallel subquery
parallel create table
parallel create index
parallel select into
parallel CREATE MATERIALIZED VIEW
parallel 排序 : gather merge
parallel nestloop join
parallel hash join
parallel merge join
parallel 自定义并行聚合
parallel 自定义并行UDF
parallel append
parallel union
parallel fdw table scan
parallel partition join
parallel partition agg
parallel gather
parallel gather merge
parallel rc 并行
parallel rr 并行
parallel GPU 并行
parallel unlogged table
接下来进行一一介绍。
关键知识请先自行了解：
1、优化器自动并行度算法 CBO
《PostgreSQL 9.6 并行计算 优化器算法浅析》 《PostgreSQL 11 并行计算算法，参数，强制并行度设置》https://github.com/digoal/blog/blob/master/201903/20190317_07.md#parallel-bitmap-scan parallel bitmap scan
并行索引位图扫描
数据量：10亿。
create unlogged table table5 (i int, c1 int);
insert into table5 select i, random()*100 from generate_series(1,1000000000) t(i);
vacuum analyze table5;
set max_parallel_maintenance_workers=32;
create index idx_table5_1 on table5(c1);
alter table table5 set (parallel_workers =64);
| 场景 | 数据量 | 关闭并行 | 开启并行 | 并行度 | 开启并行性能提升倍数 |
|---|---|---|---|---|---|
| 10 亿 | 23.98 秒 | 15.86 秒 | 20 | 1.5 倍 |
https://github.com/digoal/blog/blob/master/201903/20190317_07.md#1%E5%85%B3%E9%97%AD%E5%B9%B6%E8%A1%8C%E8%80%97%E6%97%B6-2398-%E7%A7%92 1、关闭并行，耗时： 23.98 秒。
postgres=# explain select avg(i) from table5 where c1=1 and i<1000000;
QUERY PLAN
--------------------------------------------------------------------------------------------
Aggregate (cost=4674865.61..4674865.62 rows=1 width=32)
-> Bitmap Heap Scan on table5 (cost=103061.21..4674840.21 rows=10158 width=4)
Recheck Cond: (c1 = 1)
Filter: (i < 1000000)
-> Bitmap Index Scan on idx_table5_1 (cost=0.00..103058.68 rows=9800000 width=0)
Index Cond: (c1 = 1)
(6 rows)
postgres=# select avg(i) from table5 where c1=1 and i<1000000;
avg
---------------------
501131.321720902376
(1 row)
Time: 23979.690 ms (00:23.980)
https://github.com/digoal/blog/blob/master/201903/20190317_07.md#2%E5%BC%80%E5%90%AF%E5%B9%B6%E8%A1%8C%E8%80%97%E6%97%B6-1586-%E7%A7%92 2、开启并行，耗时： 15.86 秒。
postgres=# explain select avg(i) from table5 where c1=1 and i<1000000;
QUERY PLAN
--------------------------------------------------------------------------------------------------------
Finalize Aggregate (cost=4535191.55..4535191.56 rows=1 width=32)
-> Gather (cost=4535191.48..4535191.49 rows=20 width=32)
Workers Planned: 20
-> Partial Aggregate (cost=4535191.48..4535191.49 rows=1 width=32)
-> Parallel Bitmap Heap Scan on table5 (cost=103061.21..4535190.21 rows=508 width=4)
Recheck Cond: (c1 = 1)
Filter: (i < 1000000)
-> Bitmap Index Scan on idx_table5_1 (cost=0.00..103058.68 rows=9800000 width=0)
Index Cond: (c1 = 1)
(9 rows)
postgres=# select avg(i) from table5 where c1=1 and i<1000000;
avg
---------------------
501131.321720902376
(1 row)
Time: 15862.531 ms (00:15.863)
位图扫描的index scan阶段没有使用并行，heap scan阶段开始使用并行，所以总体效率没有index scan高。
为什么bitmap index scan阶段没有并行呢？要从BITMAP INDEX SCAN的原理说起，bitmap scan的index scan部分实际上是要从index中得到满足条件的tuple的heap block id。并给block id排序，顺序返回。然后再进入heap scan阶段，heap scan阶段，按上个阶段拿到的block id顺序扫描，并对条件进行recheck。所以block i顺序是关键。
如果要让bitmap index scan阶段支持并行，那么应该在index scan阶段上面再加一个gather merge, 用于合并bitmap index scan parallel worker process 返回的 block ids。
parallel bitmap heap scan
gather merge (block ids) -> 加这个步骤
parallel bit map index scan (return block ids) -> 支持并行
bitmap scan适合离散度非常高，并且离散IO的成本很高的场景。因为bitmap scan的heap scan是按HEAP顺序扫的，同时heap scan阶段需要对index condition进行recheck，所以bitmap scan比index scan更耗费CPU。
https://github.com/digoal/blog/blob/master/201903/20190317_07.md#%E5%85%B6%E4%BB%96%E7%9F%A5%E8%AF%86 其他知识
2、function, op 识别是否支持parallel
postgres=# select proparallel,proname from pg_proc;
proparallel | proname
-------------+----------------------------------------------
s | boolin
s | boolout
s | byteain
s | byteaout
3、subquery mapreduce unlogged table
对于一些情况，如果期望简化优化器对非常非常复杂的SQL并行优化的负担，可以自己将SQL拆成几段，中间结果使用unlogged table保存，类似mapreduce的思想。unlogged table同样支持parallel 计算。
4、vacuum，垃圾回收并行。
5、dblink 异步调用并行
《PostgreSQL VOPS 向量计算 + DBLINK异步并行 - 单实例 10亿 聚合计算跑进2秒》 《PostgreSQL 相似搜索分布式架构设计与实践 - dblink异步调用与多机并行(远程 游标+记录 UDF实例)》 《PostgreSQL dblink异步调用实现 并行hash分片JOIN - 含数据交、并、差 提速案例 - 含dblink VS pg 11 parallel hash join VS pg 11 智能分区JOIN》暂时不允许并行的场景(将来PG会继续扩大支持范围)：
1、修改行，锁行，除了create table as , select into, create mview这几个可以使用并行。
2、query 会被中断时，例如cursor , loop in PL/SQL ，因为涉及到中间处理，所以不建议开启并行。
3、paralle unsafe udf ，这种UDF不会并行
4、嵌套并行(udf (内部query并行))，外部调用这个UDF的SQL不会并行。（主要是防止large parallel workers ）
5、SSI 隔离级别
https://github.com/digoal/blog/blob/master/201903/20190317_07.md#%E5%8F%82%E8%80%83 参考
https://www.postgresql.org/docs/11/parallel-plans.html 《PostgreSQL 11 preview - 并行计算 增强 汇总》 《PostgreSQL 10 自定义并行计算聚合函数的原理与实践 - (含array_agg合并多个数组为单个一元数组的例子)》https://github.com/digoal/blog/blob/master/201903/20190317_07.md#%E5%85%8D%E8%B4%B9%E9%A2%86%E5%8F%96%E9%98%BF%E9%87%8C%E4%BA%91rds-postgresql%E5%AE%9E%E4%BE%8Becs%E8%99%9A%E6%8B%9F%E6%9C%BA 免费领取阿里云RDS PostgreSQL实例、ECS虚拟机
![[转]九大排序算法——C语言实现及详解[图]](data:image/gif;base64,R0lGODlhAQABAIAAAP///wAAACwAAAAAAQABAAACAkQBADs=)